.png){kind=icon}
返回
Bayesian updating using multi-fidelity active learning Kriging models
.png){kind=icon}
OA
AI
DOI：10.1016/j.cma.2025.118658.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 提出了一种用于贝叶斯更新的主动学习克里金方法。
• BUS方法将更新问题重新表述为等价的可靠性问题，并使用克里金元模型求解。
• 在主动学习克里金模型中采用了多精度方法，其中采用了不同精度的模型。
• 使用多精度贝叶斯优化计算BUS方法的常数c。
• 提出了一种改进的量化主动学习子集模拟方法，用于定义后验样本。
Keyword:
Bayesian updating
Active learning
Kriging
BUS method
Surrogate models
Multi-fidelity models
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
7.3
论文数:
1.3W
被引数:
5.6W
机构
暂无机构信息
引用论文
Bayesian updating with two-step parallel Bayesian optimization and quadrature基于两步并行贝叶斯优化和求积的贝叶斯更新
PREAI
分享收藏分享收藏Predicting the output from a complex computer code when fast approximations are available.png)
Biometrika
BiometrikaIF0
PREAI
分享收藏Adaptive Kriging-based Bayesian updating of model and reliability基于自适应Kriging的贝叶斯模型和可靠性更新STRUCTURAL SAFETY
STRUCTURAL SAFETYIF6.3
PREAI
分享收藏AKOIS: An adaptive Kriging oriented importance sampling method for structural system reliability analysisSTRUCTURAL SAFETY
STRUCTURAL SAFETYIF6.3
PREAI
分享收藏Estimation of small failure probabilities in high dimensions by subset simulation通过子集模拟估计高维中的小失效概率OAAI
OAAI分享收藏
查看更多内容